基于量子点白光LED的可见光通信系统

针对目前可见光通信( VLC: Visible Light Communication) 系统中存在的光源照明效果差和效率低的问题,提出了以量子点白光发光二极管( QDs-WLED: Quantum Dots White Light Emitting Diode) 作为VLC 系统的光源,并以此设计了一套便携式点对点VLC 收/发终端。采用一步合成法合成了峰值在570 nm 高稳定性、高量子效率的核壳硒化镉( CdSe) 量子点材料,其量子产率达到81%。将该量子点材料取代传统的荧光粉材料,与环氧树脂混合后涂到蓝光LED( Light Emiting Diode) 芯片上制成白光LED 器件,并测试了其发光光谱、色坐标图和流明效率。然后阐述了VLC 系统的结构和原理,并编写了通信软件和制定了相关协议,实现了系统的软硬件集成,利用所研制的VLC 系统,开展了通信实验。实验结果表明,QDs-WLED 除了拥有出色的照明效果和节能特性外,也能实现数据传输的功能。在选择最佳直流偏置电压2． 70 V 的情况下,系统的最大通信距离为1． 3 m,可达到的最大通信速度为267 kbit /s,误码率( BEＲ: Bit Error Ｒatio) 小于10 ^{－ 3}。     

基于遥感影像的校园周边建筑物变化检测研究

为使本科生了解卫星遥感技术、掌握机器学习方法,结合吉林大学大学生创新创业训练计划,设计了实验项目“基于遥感影像的校园周边建筑物变化检测研究”。以高分二号(GF-2)卫星影像与吉林一号夜间微光影像为实验数据,实验区域为中国某小学周边地区。使用多种机器学习方法以提取实验区域内不同时段的建筑物信息并对该结果进行精度分析;将建筑物提取结果与地面参考数据进行对比,最终获得了不同时间段的建筑物的变化情况。并且采用了吉林一号夜间微光影像对校园周边建筑与居民活动情况进行了分析。实验结果表明,所选取的随机森林与VGG(Visual Geometry Group)神经网络算法可对遥感影像中的建筑物进行有效识别,并通过不同时期建筑物数量和夜间灯光变化的检测结果,说明了校园对周边地区发展的影响,为城市规划提供了参考信息。     

基于深度学习的心电信号分析检测系统

针对传统人工识别心电信号方法存在工作量大、容易出错和现有心电监测设备仍然存在心电信号识别类型少、诊断精度不高、过度依赖于网络服务等问题,为提高心电监测设备性能,基于深度学习技术设计了心电信号ECG(Electrocardiogram Signals)分析检测系统。通过搭建SENet-LSTM(Squeeze-and-Excitation Networks-Long Short Term Memory)网络模型实现心电信号7分类的自动诊断,模型建立在一个采用ADS1292R作为心电采集模块,STM32F103作为数据处理模块,树莓派作为中央处理模块的智能化硬件平台上,该系统利用一体化的高性能微型计算机树莓派进行计算分析,为用户提供离线化的人工智能(AI:Artificial Intelligence)服务,同时模型的准确度和精确度分别为98.44%和90.00%,从而实现ECG的实时检测和准确分类,为患者提供精准的病情诊断。